TEKNOLOGIARA BUELTATU
image1

Adimen Artifiziala igerilekuak kudeatzeko
Teknikerrek Adimen Artifizialeko tresna bat garatu du bainulariak zenbatzeko

Euskal zentro teknologikoaren sistema Ecopool proiektuaren esparruan diseinatu eta Teknikerren instalazioetan ‘trebatu’ da, eta barneko igerilekuetan uretan zenbat erabiltzaile dauden denbora errealean detektatzeko eta haien energia-kudeaketa hobetzeko aukera ematen du.

Adimen Artifizialeko ereduak ez daude soluzio konplexu eta sofistikatuenetarako soilik pentsatuta. Deep Learning (CNN konboluziozko sare neuronaletan oinarritutako ikaskuntza sakona) eta antzeko ikaskuntza automatikoko tekniken bidez, eguneroko zereginak egin, arindu eta hobetzeko gai diren soluzioak lor daitezke, esaterako, igerilekuetako pertsonen zenbaketa eta espazio horietako energia-kudeaketa hobetzea.

Tekniker zentro teknologikoa AAeko teknikak erabili ditu Ecopool proiektuaren esparruan, errendimendu handiko mini PC batean txertatutako Deep Learning eredu bat sortzeko, barruko igerilekuetako erabiltzaile-kopurua denbora errealean detektatzeko.

Ondoriozko Deep Learning eredua igerilekuen kudeaketan aplikatzen da, barruko igerilekuetako erabiltzaile-kopurua denbora errealean ezagutzeko eta, lortutako datuen arabera, uraren tenperatura kontrolatzeko, erreaktiboen erabilera murrizteko eta ura tratatzeko behar den energia mugatzeko.

Gainera, sistemak eremu publiko eta pribatu horien edukiera neurtzeko lana erraztu ahal izango du Covid-19aren pandemian.

Teknologia hori garatzeko, bereizmen handiko irudiak dituen datu-multzo berri bat (dataset) sortuz hasi den metodologia erabili du zentroak. Eta aldakortasuna handitzeko, antzeko datu-multzoak bilatu ziren, trebatutako konboluziozko sare neuronala orokortzeko eta sendotzeko.

Lifeguard-io proiektuak, konputagailu bidezko ikusmen-teknikak erabiltzen dituenak, eta Machine Learning proiektuak, itotzen ari diren pertsonak detektatzen dituenak, Ecopool soluzio baterako dataset hurbilena eman zien ikertzaileei.

Pertsonak zenbatzeko eredu hori sortu ahal izateko eta erabiltzaile bakoitzaren bainuaren iraupena kalkulatu ahal izateko, irudien etiketatzea egin da. Etiketatze horretan, irudi batean objektu bat dagoela adierazi behar da, kasu honetan pertsonak, eta objektu horren etiketa esleitu.

Lehen zegoen irudi-dataseta txikia zenez aldakortasunari dagokionez, aditu-taldeak datuak gehitzeko helburuan jarri zuen arreta. Teknika horrek datu berriak sortzen ditu Deep Learning ereduaren sare neuronalaren trebakuntza hobetzeko eta, horretarako, zenbait perturbazio eta aldakuntza sartu zituen jatorrizko irudietan, hala nola eskala-faktoreak eta errotazioak.

Teknikerreko adituek irudiak ebakitzeko teknikak, errotazioak, translazioak, ispilu-efektua, pixel-perturbazioak, kontrasteetako aldaketak, tekniken arteko distortsioak eta abar aplikatu dituzte irudien dataseta nabarmen handitzea lortzeko.

Ecopool-en garatutako soluzioaren kasuan, konputazio-gaitasun desberdineko bi sistematan trebatu dira ereduak. Alde batetik, PC bat erabili da, tokiko sistema batean eredua trebatzeko Teknikerren instalazioetan kokatutako ereduak trebatzeko txartel grafiko bat duena. Eta, bestetik, makina bat kontratatu da hodeian, konputazio-ezaugarri hobeak dituen zerbitzari batean eredua trebatzeko.

Ecopool proiektuan Teknikerrek, Dinycon Systems ingeniaritzak, Gaiker zentro teknologikoak eta Giroa enpresak hartzen dute parte.